一种基于深度特征聚类的电网故障诊断方法及系统技术方案

本发明专利技术公开了电网故障诊断领域的一种基于深度特征聚类的电网故障诊断方法及系统，包括：将所述实时监测数据经过SMOTE过采样后输入至预先搭建的CNN故障诊断模型获得故障诊断结果；所述CNN故障诊断模型的搭建过程包括：利用训练后的特征提取器提取有标签样本特征和无标签样本特征；对有标签样本特征和无标签样本特征进行半监督聚类形成簇；根据簇确定无标签样本特征的标签，建立有标签样本特征训练集；利用有标签样本特征训练集对CNN故障诊断模型进行训练，重复迭代获得故障诊断准确率大于设定阈值的CNN故障诊断模型；本发明专利技术克服现有技术中存在故障诊断正确率和误报率不能兼顾的技术问题。顾的技术问题。顾的技术问题。

【技术实现步骤摘要】
一种基于深度特征聚类的电网故障诊断方法及系统


[0001]本专利技术属于故障诊断
，具体涉及电网故障诊断方法及系统。

技术介绍

[0002]随着工业化和城市化进程的迅速开展，电力系统也变得更加庞大与复杂，发电机也朝着高电压、大容量的方向发展；受设备老化和自然灾害等的影响，电力系统运行过程中难免会发生故障，而及时准确地诊断出故障元件，有助于恢复电力系统的正常运行。当电力设备发生故障时，调度中心会同时收到大量的信号，如何从大量信号中快速辨识出发生故障的设备，即所谓的“故障诊断”，对于保证和提升系统运行安全性具有重要意义。
[0003]迄今为止，电力系统故障诊断的主要方法包括专家系统(expert systems，ESs)、解析模型方法、人工神经网络(artificialneural networks，ANNs)、Petri网(petri nets，PNs)、贝叶斯网络(bayesian networks，BNs)、多代理系统法(multi
‑
agent system，MAS)、遗传算法(genetic algorithms，GA)和基于优化算法等方法；
[0004]所述电网的故障诊断还存在如下难点：
①
标签故障数据样本少。电网故障诊断过程中所获取的信息通常都是不完备的，并且电网在社会中处于重要地位，因此也难以获得大量的故障数据。
②
故障数据样本不平衡。电网中不同类型的故障发生的频率并不一致。某些故障，如短路故障，在遭遇极端天气等情况下较容易发生，而某些故障则很难出现。这就造成了数据的不平衡，难以进行充分训练，导致现有技术中存在故障诊断正确率和误报率不能兼顾的技术问题。

技术实现思路

[0005]本专利技术提供了一种基于深度特征聚类的电网故障诊断方法及系统，以克服现有技术中存在故障诊断正确率和误报率不能兼顾的技术问题。
[0006]为达到上述目的，本专利技术所采用的技术方案是：
[0007]本专利技术第一方面提供了一种基于深度特征聚类的电网故障诊断方法，包括：
[0008]采集电网的实时监测数据，将所述实时监测数据经过SMOTE过采样后输入至预先搭建的CNN故障诊断模型获得故障诊断结果；
[0009]所述CNN故障诊断模型的搭建过程包括：
[0010]由电网监测数据库中获取有标签样本集和无标签样本集；根据电网故障类型搭建特征提取器，并通过有标签样本集对特征提取器进行训练；将有标签样本集和无标签样本集输入训练后的特征提取器，提取有标签样本特征和无标签样本特征；
[0011]对有标签样本特征和无标签样本特征进行半监督聚类形成簇；根据无标签样本特征和有标签样本特征所在的簇确定无标签样本特征的标签，将无标签样本特征转化为有标签样本特征，建立有标签样本特征训练集；
[0012]基于卷积神经网络构建CNN故障诊断模型，利用有标签样本特征训练集对CNN故障诊断模型进行训练，采用RMSprop优化方法调节CNN故障诊断模型的权值和偏置，重复迭代
获得故障诊断准确率大于设定阈值的CNN故障诊断模型。
[0013]优选的，所述特征提取器依次包括一维卷积层、一维池化层、一维卷积层、一维池化层、Dropout层、扁平层、全连接层、Dropout层、全连接层、Dropout层和全连接层。
[0014]优选的，对有标签样本特征和无标签样本特征进行半监督聚类形成簇的方法包括：
[0015]基于故障类别对有标签样本特征进行分类，随机选择某一故障类别A
n
中的有标签样本特征作为类中心；
[0016]随机选择下一个故障类别A
n+1
；计算故障类别A
n+1
中每个有标签样本特征与故障类别A
n
的初始类中心的最短距离ρ；基于最短距离ρ计算故障类别A
n+1
中每个有标签样本特征作为故障类别A
n+1
中心的概率，并获得概率区间；生成[0，1]之间的随机数，若随机数落在概率区间内，则随机选择故障类别A
n+1
中的有标签样本特征作为下一类中心；重复迭代直至获得全部K个类中心；
[0017]计算未标注为类中心的每个有标签样本特征以及每个无标签样本特征与类中心之间的距离ρ
P
，根据距离ρ
P
对未标注为类中心的每个有标签样本特征以及每个无标签样本特征进行划分形成簇。
[0018]优选的，计算未标注为类中心的每个有标签样本特征以及每个无标签样本特征与类中心之间的距离ρ
P
，表达公式为：
[0019][0020][0021][0022]公式中，X＝[x1,x2,
…
,x
m
]，Y＝[y1,y2,
…
,y
m
]；X，Y分别表示为样本特征，所述样本特征包含未标注为类中心的每个有标签样本特征以及每个无标签样本特征；x1,x2,
…
,x
m
表示为样本特征X的变量；y1,y2,
…
,y
m
表示为样本特征Y的变量。
[0023]优选的，根据距离ρ
P
对未标注为类中心的每个有标签样本特征以及每个无标签样本特征进行划分形成簇的方法包括：
[0024]将未标注为类中心的每个有标签样本特征以及每个无标签样本特征分配至距离ρ
P
最近的类中心，形成初始簇；
[0025]计算每个初始簇中所有样本特征的均值，作为每个初始簇的新类中心；
[0026]再次计算所有样本特征与K个新类中心的距离ρ
P
，将样本特征分配至距离ρ
P
最近的新类中心；以所有样本特征与新类中心的总体误差平方最小为优化目标，重复迭代输出最终划分的簇。
[0027]优选的，所有样本特征与新类中心的总体误差平方，计算公式为：
[0028][0029][0030]公式中，C
e
为所有样本特征与新类中心的总体误差平方；Γ
i
表示为第i个簇；Y
i
表
示为第i个簇中的样本特征；N
i
为第i个簇内包含有样本特征的个数。
[0031]优选的，利用有标签样本特征训练集对CNN故障诊断模型进行训练，采用RMSprop优化方法调节CNN故障诊断模型的权值和偏置的方法包括：
[0032]构建CNN故障诊断模型的交叉摘损失函数；利用有标签样本特征训练集对CNN故障诊断模型进行训练，根据微分的链式法则计算训练迭代过程中CNN故障诊断模型的参数梯度；
[0033]根据当前训练迭代过程中CNN故障诊断模型的参数梯度与上一次训练迭代过程中CNN故障诊断模型的参数梯度计算平方加权和ΔS，基于平方加权和ΔS对CNN故障诊断模型的参数进行更新，表达公式为：
[0034][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度特征聚类的电网故障诊断方法，其特征在于，包括：采集电网的实时监测数据，将所述实时监测数据经过SMOTE过采样后输入至预先搭建的CNN故障诊断模型获得故障诊断结果；所述CNN故障诊断模型的搭建过程包括：由电网监测数据库中获取有标签样本集和无标签样本集；根据电网故障类型搭建特征提取器，并通过有标签样本集对特征提取器进行训练；将有标签样本集和无标签样本集输入训练后的特征提取器，提取有标签样本特征和无标签样本特征；对有标签样本特征和无标签样本特征进行半监督聚类形成簇；根据无标签样本特征和有标签样本特征所在的簇确定无标签样本特征的标签，将无标签样本特征转化为有标签样本特征，建立有标签样本特征训练集；基于卷积神经网络构建CNN故障诊断模型，利用有标签样本特征训练集对CNN故障诊断模型进行训练，采用RMSprop优化方法调节CNN故障诊断模型的权值和偏置，重复迭代获得故障诊断准确率大于设定阈值的CNN故障诊断模型。2.根据权利要求1所述的一种基于深度特征聚类的电网故障诊断方法，其特征在于，所述特征提取器依次包括一维卷积层、一维池化层、一维卷积层、一维池化层、Dropout层、扁平层、全连接层、Dropout层、全连接层、Dropout层和全连接层。3.根据权利要求1所述的一种基于深度特征聚类的电网故障诊断方法，其特征在于，对有标签样本特征和无标签样本特征进行半监督聚类形成簇的方法包括：基于故障类别对有标签样本特征进行分类，随机选择某一故障类别A
n
中的有标签样本特征作为类中心；随机选择下一个故障类别A
n+1
；计算故障类别A
n+1
中每个有标签样本特征与故障类别A
n
的初始类中心的最短距离ρ；基于最短距离ρ计算故障类别A
n+1
中每个有标签样本特征作为故障类别A
n+1
中心的概率，并获得概率区间；生成[0，1]之间的随机数，若随机数落在概率区间内，则随机选择故障类别A
n+1
中的有标签样本特征作为下一类中心；重复迭代直至获得全部K个类中心；计算未标注为类中心的每个有标签样本特征以及每个无标签样本特征与类中心之间的距离ρ
P
，根据距离ρ
P
对未标注为类中心的每个有标签样本特征以及每个无标签样本特征进行划分形成簇。4.根据权利要求3所述的一种基于深度特征聚类的电网故障诊断方法，其特征在于，计算未标注为类中心的每个有标签样本特征以及每个无标签样本特征与类中心之间的距离ρ
P
，表达公式为：，表达公式为：，表达公式为：公式中，X＝[x1,x2,
…
,x
m
]，Y＝[y1,y2,
…
,y
m
]；X，Y分别表示为样本特征，所述样本特征包含未标注为类中心的每个有标签样本特征以及每个无标签样本特征；x1,x2,
…
,x
m
表示为
样本特征X的变量；y1,y2,
…
,y
m
表示为样本特征Y的变量。5.根据权利要求4所述的一种基于深度特征聚类的电网故障诊断方法，其特征在于，根据距离ρ
P
对未标注为类中心的每个有标签样本特征以及每个无标签样本特征进行划分形成簇的方法包括：将未标注为类中心的每个有标签样本特征以及每个无标签样本特征分配至距离ρ
P
最近的类中心，形成初始簇；计算每个初始簇中所有样本特征的均值，作为每个初始簇的新类中心；再次计算所有样本特征与K个新类中心的距离ρ
P
，将样本特征分配至距离ρ
P
最近的新类中心；以所有样本特征与新类中心的总体误差平方最小为优化目标，重复迭代输出最终划分的簇。6.根据权利要求5所述的一种基于深度特征聚类的电网...

【专利技术属性】
技术研发人员：俞胜，黄福兴，陶晓峰，孙萌，丁宏，陆春艳，周宇，武文广，
申请(专利权)人：国电南瑞科技股份有限公司南瑞集团有限公司，
类型：发明
国别省市：